CN111415193A - 基于关联商品的门店相似度的品类销售提升度计算方法 - Google Patents
基于关联商品的门店相似度的品类销售提升度计算方法 Download PDFInfo
- Publication number
- CN111415193A CN111415193A CN202010140654.XA CN202010140654A CN111415193A CN 111415193 A CN111415193 A CN 111415193A CN 202010140654 A CN202010140654 A CN 202010140654A CN 111415193 A CN111415193 A CN 111415193A
- Authority
- CN
- China
- Prior art keywords
- store
- commodity
- similarity
- commodities
- stores
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000005259 measurement Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000007306 turnover Effects 0.000 claims description 2
- 230000002596 correlated effect Effects 0.000 claims 1
- 230000001186 cumulative effect Effects 0.000 claims 1
- 238000005303 weighing Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于关联商品的门店相似度的品类销售提升度计算方法。本发明步骤:首先计算所有门店各商品份额,根据商品份额大小选定关联商品集合,如果是选定商品范围内的目标商品,则采用基于关联商品的门店相似度的门店品类销售提升度计算方法;如果目标商品是小份额商品,则采用基于目标商品外的所有商品的门店相似度,再计算目标商品提升空间的方法;求出门店相似度排序表后,基于参考门店目标商品的销量对目标门店目标商品销量进行拟合,对参考门店个数K值寻优,最后模型根据K个参考门店的目标商品销量数据,计算目标门店目标商品的提升空间及相应参考门店的平均相似度,得出门店商品的销量提升空间。本发明为门店提供了科学的可参考。
Description
技术领域
本发明属于信息技术领域,具体涉及一种基于关联商品的门店 相似度的品类销售提升度计算方法。
背景技术
随着计算机技术的发展,计算机网络和管理系统几乎应用到零 售业各个方面,数据挖掘技术也在零售领域发挥巨大的作用。企业 在对门店的经营管理活动中,涉及到各门店各单品销售的管理,由 于种类繁多,依靠人工很难对每一种商品销售情况进行有针对性的 管理,很多管理者从门店商品销量纵向对比,由于商品自身在不同 时间上存在波动性,很难判断出销售好坏;因此,同其他门店进行 纵向对比,参考对比其他门店的商品销售情况是具有参考性的方法。
关联规则算法被广泛应用于分析零售企业交易数据,以此指导 品类管理,但是在当前关联规则主要被研究者和企业用于关联商品 捆绑促销,以此促进销量增长,但是这样还是缺乏销售目标的管理, 销售目标的参考值主要基于人工经验,因此,本发明针对这一情况, 提出关联商品的门店相似度的门店品类销售提升度计算方法,实现 企业和门店对品类销售目标的管理。
发明内容
本发明的目的在于现有品类管理算法上的不足,提出一种基于 关联商品的门店相似度的门店品类销售提升度计算方法,具体包括 以下步骤:
步骤1:首先获取门店历史每日商品订单表{οi},统计得到门店商 品每日销售额表{Si},并对这两个表去除节假日数据;
步骤2:基于历史每日门店销售订单表{οi},计算得到各商品的市 场份额大小{pi},公式如下:
其中,pi代表商品i份额大小,Numi代表商品i的订单数,Num代 表商品i在售门店在售期间门店所有商品的订单总数。
步骤3:对各商品的市场份额从大到小排序,设定大份额商品累 积份额参数选择排序的前种商品份额,使得前种 商品份额叠加的累积份额以及前种商品份额叠加的累积份 额刚好满足如下不定式:则选取的商品集中商品的种 类为
步骤4:基于历史每日门店售订单表{οi},和选定的关联商品集 合,取过去m1周及去年同期未来m2周的数据,计算得到选定的关联 商品集合中商品-商品之间的提升度关系表,公式如下:
其中Numij代表i,j在售门店在售期间同时包含i,j商品的订 单数,Numi代表i,j在售门店在售期间包含商品i的订单数,Numj代表i,j在售门店在售期间包含商品j的订单数,Num代表i,j 在售门店在售期间所有订单总数。
步骤5:把商品-商品之间的提升度转换为权重,得到商品-商 品之间的权重表,转化公式如下:
wi=max(0,Li-1)
其中wi为权重,Li为步骤4计算出来的是商品-商品之间的提升 度;
步骤6:指定要计算提升度的商品,针对大份额的指定商品, 基于选定的关联商品集合,剔除该指定的商品后计算所有门店之间 的Jaccard相似度,从而构成门店-门店之间的相似度矩阵J;针对小 份额的指定商品,则基于所有商品集合,剔除指定商品后,计算门店间的Jaccard相似度,从而构成门店-门店之间的相似度矩阵J;其 中Jaccard相似度公式如下:
其中,{SAi}∩{SBi}代表门店SA和门店SB的商品交集个数, {SAi}∪{SBi}代表SA和门店SB的商品并集个数;
步骤7:针对小份额商品,则计算所有门店中除指定商品外的所 有商品集合的门店差距比例值mapg,得到门店-门店之间的矩阵 MAPG,门店差距比例值mapg定义公式如下:
其中,n为门店SA和门店SB的除指定商品外的所有商品集合的交 集个数,MAi为门店SA中商品i的日均销售额,MBi为门店SB中商品i的 日均销售额,mapg(SA,SB)代表门店所有商品集合的销售额差距大小;
如果是大份额商品,则计算门店间除指定商品外的选定的关联商 品集合的门店加权差距比例值wmapg,得到门店-门店之间的矩阵 WMAPG,门店加权差距比例值wmapg定义公式如下:
其中,n为门店SA和门店SB的除指定商品外的所有商品集合的交 集个数,MAi为门店SA中商品i的日均销售额,MBi为门店SB中商品i的 日均销售额,wi代表各商品对目标商品的提升度的权重,公式中还对 权重进行归一化,wmapg(SA,SB)代表门店除指定商品外的选定关联商 品集合之间的加权销售额差距大小;
步骤8:计算基于Jaccard相似度对门店差距比例值mapg进行修正 的衡量参数ⅠJaccard_mapg,进而得到由Jaccard_mapg组成的矩阵 J_MAPG,公式如下:
计算基于Jaccard相似度对门店加权差距比例值wmapg进行修正 的衡量参数ⅡJaccard_wmapg,进而得到由Jaccard_wmapg组成的矩阵 J_WMAPG,公式如下:
步骤9:由衡量参数Ⅰ:Jaccard_mapg计算门店与门店之间的相 似度矩阵ⅠSIM;
同理通过衡量参数ⅡJaccard_wmapg计算门店与门店之间的相似 度矩阵ⅡSIM,相似度计算方法如下公式:
其中,sim指代相似度矩阵SIM中的相似度元素,percentile()表示求百 分位数的函数;percent表示指定的参数。
步骤10:指定要计算指定商品提升度的门店,针对指定门店的指 定商品,若指定商品是选定的关联商品集合,则根据相似度矩阵Ⅱ选 取指定门店与其余门店间的相似度数据进行门店排序,若指定商品是 非选定的关联商品集合,则根据相似度矩阵Ⅰ选取指定门店与其余门 店间的相似度数据进行门店排序;
基于排序的门店相似度,为指定门店选取K个参考门店;获取与 指定门店相似度最高的K个参考门店,根据相似度转化为权重,由如 下公式,对指定门店近期指定商品的销售额进行拟合估计。计算好所 有门店指定商品的估计值后,根据估计误差值RMSE的大小,评估K 值效果。指定门店的指定商品的预测销售额公式如下:
其中,simj代表指定门店和门店j的相似度,为K个参考门 店的相似度之和,Mi为参考门店指定商品的实际销售额,即公式表 达的是归一化门店相似度为权重的加权销售额之和等于指定门店指 定商品的销售额估计值predicti;
K值寻优的指标是对指定商品的估计误差值RMSE,公式如下:
步骤11:基于选定的K个参考门店,计算指定门店指定商品的营 业额提升空间及参考门店平均相似度。
根据参考门店相似度的不同给不同门店分配不同的参考权重,得 到这几个参考门店的商品加权销售额之和,作为该指定门店的指定商 品目标销售额,指定门店指定商品的当前日均销售额与目标销售额的 差距(如果目标销售额大于当前日均销售额的话),即为该指定门店 指定商品的可提升空间。
本发明有益效果:
本发明通过关联规则中的提升度算法,计算出门店相似度,再 综合相似门店的销售情况对门店销售目标值拟合估计,为门店提供 了科学的可参考的销售目标,
有利于企业和门店进行销售目标管理及进行前期的库存准备和 销售促销计划的制定,对于门店品类销量的增长,提升门店营业额 增长具有重要作用。
附图说明
图1是本发明实施例采用该方法的具体流程图。
图2是本发明实施例采用该方法的过程和结果展示;
图3是本发明实施例采用该方法的过程和结果展示。
具体实施方式
下面结合附图、附表详细描述本发明,本发明的目的和效果将 变得更加明显。本发明考虑到实际情况,根据门店历史销售数据, 采用关联规则的提升度算法得出商品间的提升度,从而转化为权重, 再算出门店间的相似度,基于门店相似度对目标商品的目标销量进 行拟合估计,得出目标商品的参考销售提升空间,实现商品销售管 理的目的,实现品类优化。
步骤1:首先获取门店历史每日商品订单表{οi},统计得到门店商 品每日销售额表{Si},并对这两个表去除节假日数据;
步骤2:基于历史每日门店销售订单表{οi},计算得到各商品的市 场份额大小{pi},公式如下:
其中,pi代表商品i份额大小,Numi代表商品i的订单数,Num代 表商品i在售门店在售期间门店所有商品的订单总数。
步骤3:对各商品的市场份额从大到小排序,设定大份额商品累 积份额参数为80,选择排序的前种商品份额,使得前种商品份 额叠加的累积份额以及前种商品份额叠加的累积份额刚 好满足如下不定式:则选取的商品集中商品的种类为假设是20种;
将市场份额前20种商品构成的商品集合作为关联商品集合,采用 基于关联商品的门店相似度计算方法法来计算目标商品的提升空间。 其中剩余20%的小份额商品则采用基于所有商品的门店相似度计算方 法来计算提升空间;
步骤4:基于历史每日门店售订单表{οi},和选定的关联商品集 合,取过去10周及去年同期未来5周的数据,计算得到选定的关联 商品集合中商品-商品之间的提升度关系表,公式如下:
其中Numij代表i,j在售门店在售期间同时包含i,j商品的订单 数,Numi代表i,j在售门店在售期间包含商品i的订单数,Numj代 表i,j在售门店在售期间包含商品j的订单数,Num代表i,j在 售门店在售期间所有订单总数。
步骤5:把商品-商品之间的提升度转换为权重,得到商品-商品 之间的权重表,转化公式如下:
wi=max(0,Li-1)
其中wi为权重,Li为步骤4计算出来的是商品-商品之间的提升 度;
步骤6:指定要计算提升度的商品,针对大份额的指定商品,则 基于选定的关联商品集合,剔除指定商品后,计算门店与门店之间的 Jaccard相似度,从而构成门店-门店之间的相似度矩阵J;其中门店- 门店之间的相似度Jaccard公式如下:
其中,,{SAi}∪{SBi}代表门店SA和门店SB的第i个商品交集个数, {SAi}∪{SBi}代表SA和门店SB的第i个商品并集个数;
步骤7:针对小份额的指定商品,则计算所有门店中除指定商品 外的所有商品集合的门店差距比例值mapg,得到门店-门店之间的矩 阵MAPG,门店差距比例值mapg定义公式如下:
其中,n为门店SA和门店SB的所有商品集合的交集个数,MAi为 门店SA中商品i的日均销售额,MBi为门店SB中商品i的日均销售额, mapg(SA,SB)代表门店所有商品集合的销售额差距大小;
如果是大份额商品,则计算门店间除指定商品外的选定的关联商 品集合的门店加权差距比例值wmapg,得到门店-门店之间的矩阵 WMAPG,门店加权差距比例值wmapg定义公式如下:
其中,n为门店SA和门店SB的除指定商品外的所有商品集合的交 集个数,MAi为门店SA中商品i的日均销售额,MBi为门店SB中商品i的 日均销售额,wi代表各商品对目标商品的提升度的权重,公式中还对 权重进行归一化,wmapg(SA,SB)代表门店除指定商品外的选定关联商 品集合之间的加权销售额差距大小;
步骤8:计算基于Jaccard相似度对门店差距比例值mapg进行修正 的衡量参数ⅠJaccard_mapg,进而得到由Jaccard_mapg组成的矩阵 J_MAPG,公式如下:
计算基于Jaccard相似度对门店加权差距比例值wmapg进行修正 的衡量参数ⅡJaccard_wmapg,进而得到由Jaccard_wmapg组成的矩阵 J_WMAPG,公式如下:
步骤9:由衡量参数Ⅰ:Jaccard_mapg计算门店与所有门店之间 的相似度矩阵ⅠSIM;
同理通过衡量参数ⅡJaccard_wmapg计算门店与所有门店之间的 相似度矩阵ⅡSIM,percent设为99,相似度计算方法如下公式:
步骤10:指定要计算指定商品提升度的门店,针对指定门店的指 定商品,若指定商品是选定的关联商品集合,则根据相似度矩阵Ⅱ选 取指定门店与其余门店间的相似度数据进行门店排序,若指定商品是 非选定的关联商品集合,则根据相似度矩阵Ⅰ选取指定门店与其余门 店间的相似度数据进行门店排序;
基于排序的门店相似度,为指定门店选取K个参考门店;获取与 指定门店相似度最高的K个参考门店,根据相似度转化为权重,由如 下公式,对指定门店近期指定商品的销售额进行拟合估计。计算好所 有门店指定商品的估计值后,根据估计误差值RMSE的大小,评估K 值效果。指定门店的指定商品的预测销售额公式如下:
其中,simj代表指定门店和门店j的相似度,为K个参考 门店的相似度之和,Mi为参考门店指定商品的实际销售额,即公式 表达的是归一化门店相似度为权重的加权销售额之和等于指定门店 指定商品的销售额估计值predicti;
K值寻优的指标是对指定商品的估计误差值RMSE,公式如下:
步骤11:基于选定的K个参考门店,计算指定门店指定商品的营 业额提升空间及参考门店平均相似度。
根据参考门店相似度的不同给不同门店分配不同的参考权重,得 到这几个参考门店的商品加权销售额之和,作为该指定门店的指定商 品目标销售额,指定门店指定商品的当前日均销售额与目标销售额的 差距(如果目标销售额大于当前日均销售额的话),即为该指定门店 指定商品的可提升空间。
图2是根据本发明中的基于关联商品对目标门店目标商品的提升 度,转化成的未归一化的参考门店关联商品权重列表示例,图3是根 据本发明获取得到的目标门店某一种目标商品的销售目标的结果示 例,展示了销售目标,和参考门店的平均相似度及参考门店topN。
本发明不仅局限于上述具体实施方式,本领域一般技术人员根 据本发明公开的内容,可以采用其它多种具体实施方案实施本发明。 因此,凡是采用本发明的设计结构和思路,做一些简单的变化或更 改的设计,都落入本发明保护范围。
Claims (9)
1.基于关联商品的门店相似度的品类销售提升度计算方法,其特征在于包括如下步骤:
步骤1:首先获取门店历史每日商品订单表{οi},统计得到门店商品每日销售额表{Si},并对这两个表去除节假日数据;
步骤2:基于历史每日门店销售订单表{οi},计算得到各商品的市场份额大小{pi},公式如下:
其中,pi代表商品i份额大小,Numi代表商品i的订单数,Num代表商品i在售门店在售期间门店所有商品的订单总数;
步骤3:对各商品的市场份额从大到小排序,设定大份额商品累积份额参数其中,选择排序的前种商品份额,使得前种商品份额叠加的累积份额以及前种商品份额叠加的累积份额刚好满足如下不定式:则选取的商品集中商品的种类为
步骤4:基于历史每日门店售订单表{οi},和选定的关联商品集合,取过去m1周及去年同期未来m2周的数据,计算得到选定的关联商品集合中商品-商品之间的提升度关系表;
步骤5:把商品-商品之间的提升度转换为权重,得到商品-商品之间的权重表,
步骤6:指定要计算提升度的商品,针对大份额的指定商品,基于选定的关联商品集合,剔除该指定的商品后计算所有门店之间的Jaccard相似度,从而构成门店-门店之间的相似度矩阵J;针对小份额的指定商品,则基于所有商品集合,,计算门店间的Jaccard相似度,从而构成门店-门店之间的相似度矩阵J;
步骤7:针对小份额的指定商品,则计算所有门店中剔除指定商品后的所有商品集合的门店差距比例值mapg,得到门店-门店之间的矩阵MAPG;如果是大份额的指定商品,则计算门店间选定的关联商品集合剔除指定商品后的门店加权差距比例值wmapg,得到门店-门店之间的矩阵WMAPG;
步骤8:计算基于Jaccard相似度对门店差距比例值mapg进行修正的衡量参数ⅠJaccard_mapg,进而得到由Jaccard_mapg组成的矩阵J_MAPG;计算基于Jaccard相似度对门店加权差距比例值wmapg进行修正的衡量参数Ⅱ Jaccard_wmapg,进而得到由Jaccard_wmapg组成的矩阵J_WMAPG;
步骤9:由衡量参数Ⅰ:Jaccard_mapg计算门店与门店之间的相似度矩阵Ⅰ SIM;
同理通过衡量参数Ⅱ Jaccard_wmapg计算门店与门店之间的相似度矩阵Ⅱ SIM;
步骤10:指定要计算指定商品提升度的门店,针对指定门店的指定商品,若指定商品是选定的关联商品集合,则根据相似度矩阵Ⅱ选取指定门店与其余门店间的相似度数据进行门店排序,若指定商品是非选定的关联商品集合,则根据相似度矩阵Ⅰ选取指定门店与其余门店间的相似度数据进行门店排序;
基于排序的门店相似度,为指定门店选取K个参考门店;获取与指定门店相似度最高的K个参考门店,根据相似度转化为权重,由如下公式,对指定门店近期指定商品的销售额进行拟合估计;计算好所有门店指定商品的估计值后,根据估计误差值RMSE的大小,评估K值效果;
步骤11:基于选定的K个参考门店,计算指定门店指定商品的营业额提升空间及参考门店平均相似度。
3.根据权利要求2所述的基于关联商品的门店相似度的品类销售提升度计算方法,其特征在于步骤5中商品-商品之间的提升度转换为权重的转化公式如下:
wi=max(0,Li-1)。
其中wi为权重,Li为步骤4计算出来的是商品-商品之间的提升度;
5.根据权利要求4所述的基于关联商品的门店相似度的品类销售提升度计算方法,其特征在于步骤7中门店差距比例值mapg定义公式如下:
其中,n为门店SA和门店SB的除指定商品外的所有商品集合的交集个数,MAi为门店SA中商品i的日均销售额,MBi为门店SB中商品i的日均销售额,mapg(SA,SB)代表门店除指定商品外的所有商品集合的销售额差距大小;
门店加权差距比例值wmapg定义公式如下:
其中,n为门店SA和门店SB的除指定商品外的所有商品集合的交集个数,MAi为门店SA中商品i的日均销售额,MBi为门店SB中商品i的日均销售额,wi代表各商品对目标商品的提升度的权重,公式中还对权重进行归一化,wmapg(SA,SB)代表门店除指定商品外的选定关联商品集合之间的加权销售额差距大小。
9.根据权利要求8所述的基于关联商品的门店相似度的品类销售提升度计算方法,其特征在于步骤11基于选定的K个参考门店,计算指定门店指定商品的营业额提升空间及参考门店平均相似度,具体是根据参考门店相似度的不同给不同门店分配不同的参考权重,得到这几个参考门店的商品加权销售额之和,作为该指定门店的指定商品目标销售额,指定门店指定商品的当前日均销售额与目标销售额的差距,即为该指定门店指定商品的可提升空间。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010029062 | 2020-01-12 | ||
CN2020100290620 | 2020-01-12 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111415193A true CN111415193A (zh) | 2020-07-14 |
CN111415193B CN111415193B (zh) | 2023-09-29 |
Family
ID=71491140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010140654.XA Active CN111415193B (zh) | 2020-01-12 | 2020-03-03 | 基于关联商品的门店相似度的品类销售提升度计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111415193B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132343A (zh) * | 2020-09-23 | 2020-12-25 | 创优数字科技(广东)有限公司 | 一种商品采购预测方法及系统、可读存储介质 |
CN112561605A (zh) * | 2021-02-19 | 2021-03-26 | 北京华彬立成科技有限公司 | 药品销售数据处理方法、装置、电子设备和存储介质 |
CN113298323A (zh) * | 2021-07-06 | 2021-08-24 | 中国工商银行股份有限公司 | 确定配送量的方法、装置、电子设备、介质和程序产品 |
CN113435541A (zh) * | 2021-07-22 | 2021-09-24 | 创优数字科技(广东)有限公司 | 品类规划方法、装置、存储介质及计算机设备 |
CN116308465A (zh) * | 2023-05-15 | 2023-06-23 | 深圳易派支付科技有限公司 | 一种基于移动支付的大数据分析系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040249698A1 (en) * | 2001-09-20 | 2004-12-09 | Yuji Kouno | Commodity sales number forecasting system and method, computer program product and storage medium |
CN107886369A (zh) * | 2017-11-29 | 2018-04-06 | 口碑(上海)信息技术有限公司 | 一种用于营销活动效果预测的方法、装置及电子设备 |
WO2019046257A1 (en) * | 2017-08-28 | 2019-03-07 | Palmer Daniel Bruce | OPTIMIZATION OF ASSORTMENT OF PRODUCTS |
CN110020876A (zh) * | 2018-01-08 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 一种信息生成方法和装置 |
CN110189164A (zh) * | 2019-05-09 | 2019-08-30 | 杭州览众数据科技有限公司 | 基于信息熵度量和特征随机采样的商品—门店推荐方案 |
-
2020
- 2020-03-03 CN CN202010140654.XA patent/CN111415193B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040249698A1 (en) * | 2001-09-20 | 2004-12-09 | Yuji Kouno | Commodity sales number forecasting system and method, computer program product and storage medium |
WO2019046257A1 (en) * | 2017-08-28 | 2019-03-07 | Palmer Daniel Bruce | OPTIMIZATION OF ASSORTMENT OF PRODUCTS |
CN107886369A (zh) * | 2017-11-29 | 2018-04-06 | 口碑(上海)信息技术有限公司 | 一种用于营销活动效果预测的方法、装置及电子设备 |
CN110020876A (zh) * | 2018-01-08 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 一种信息生成方法和装置 |
CN110189164A (zh) * | 2019-05-09 | 2019-08-30 | 杭州览众数据科技有限公司 | 基于信息熵度量和特征随机采样的商品—门店推荐方案 |
Non-Patent Citations (5)
Title |
---|
CHOO-YEE TING, ETC.: "Geospatial Analytics in Retail Site Selection and Sales Prediction", vol. 6, no. 1, pages 42 - 52 * |
SHU-HSIEN LIAO: "Mining customer knowledge for direct selling and marketing", vol. 38, no. 5, pages 6059 - 6069, XP028151039, DOI: 10.1016/j.eswa.2010.11.007 * |
XIAOJUN ZHANG, ETC.: "Demographic Transformation and Clustering of Transaction Data for Sales Prediction of Convenience Stores", pages 102 - 108 * |
林穗;郑志豪;: "基于关联规则的客户行为建模与商品推荐研究", no. 03, pages 90 - 94 * |
管红波: "食品连锁经营中的有效客户反应研究", 《中国博士论文全文数据库 工程科技Ⅰ辑》, no. 10, pages 157 - 3 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132343A (zh) * | 2020-09-23 | 2020-12-25 | 创优数字科技(广东)有限公司 | 一种商品采购预测方法及系统、可读存储介质 |
CN112132343B (zh) * | 2020-09-23 | 2023-02-07 | 创优数字科技(广东)有限公司 | 一种商品采购预测方法及系统、可读存储介质 |
CN112561605A (zh) * | 2021-02-19 | 2021-03-26 | 北京华彬立成科技有限公司 | 药品销售数据处理方法、装置、电子设备和存储介质 |
CN113298323A (zh) * | 2021-07-06 | 2021-08-24 | 中国工商银行股份有限公司 | 确定配送量的方法、装置、电子设备、介质和程序产品 |
CN113435541A (zh) * | 2021-07-22 | 2021-09-24 | 创优数字科技(广东)有限公司 | 品类规划方法、装置、存储介质及计算机设备 |
CN116308465A (zh) * | 2023-05-15 | 2023-06-23 | 深圳易派支付科技有限公司 | 一种基于移动支付的大数据分析系统 |
CN116308465B (zh) * | 2023-05-15 | 2023-09-01 | 深圳易派支付科技有限公司 | 一种基于移动支付的大数据分析系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111415193B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111415193A (zh) | 基于关联商品的门店相似度的品类销售提升度计算方法 | |
CN110392899A (zh) | 用于模型生成的动态特征选择 | |
JP6009864B2 (ja) | 企業評価システム、企業評価方法及び企業評価プログラム | |
CN107563705A (zh) | 利用大数据分析家电产品安全库存及再订货的系统和方法 | |
Koopman et al. | Forecasting the US term structure of interest rates using a macroeconomic smooth dynamic factor model | |
CN103984998A (zh) | 基于云服务平台大数据挖掘的销售预测方法 | |
KR101975448B1 (ko) | 인공지능을 이용하여 빅데이터 기반 상품 투자 추천 알고리즘을 평가하는 시스템 및 방법 | |
Hasin et al. | An ANN approach to demand forecasting in retail trade in Bangladesh | |
CN110189164B (zh) | 基于信息熵度量和特征随机采样的商品—门店推荐方案 | |
Akintunde et al. | Food grain marketing in Osun State, Nigeria: a study of long-run price integration | |
Saha et al. | Demand forecasting of a multinational retail company using deep learning frameworks | |
KR20200023669A (ko) | 빅데이터 기반 부동산 투자 추천 시스템 | |
İmece et al. | Demand forecasting with integration of time series and regression models in pharmaceutical industry | |
KR20200023667A (ko) | 빅데이터 기반 상품 투자 추천 알고리즘의 최적 가중치를 인공지능을 이용하여 탐색하는 시스템 및 방법 | |
Bhadury et al. | Constructing a Coincident Economic Indicator for India: How Well Does It Track Gross Domestic Product? | |
CN111275371B (zh) | 数据处理方法、数据处理设备和计算机可读存储介质 | |
Foote et al. | Seasonal variation: methods of measurement and tests of significance | |
Kharkyanen et al. | Development of information technology for supporting the process of adjustment of the food enterprise assortment | |
Zhang et al. | Automatic Pricing and Replenishment Decisions of Vegetable Products Based on Machine Learning | |
CN114549195A (zh) | 基于产业链图谱的市值重估分析方法及可视化分析系统 | |
Kabanova et al. | ABC-XYZ inventory analysis accounting for change points | |
CN112967102A (zh) | 以物流数据建立客户画像的方法 | |
Shen et al. | Data Mining the Data Processing Technologies for Inventory Management. | |
KR20220168311A (ko) | 농산물 유통정보 제공 방법 및 서버 | |
Zenkova et al. | Accounting for deficit and a known demand quantile in ABC-XYZ analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Calculation method for category sales improvement based on store similarity of related products Effective date of registration: 20240103 Granted publication date: 20230929 Pledgee: Hangzhou United Rural Commercial Bank Co.,Ltd. Xixing sub branch Pledgor: HANGZHOU LANZHONG DATA TECHNOLOGY Co.,Ltd. Registration number: Y2023980075597 |